DeepSeek + 通义万相高效制作AI视频实战详解

在本文中我们将实际操作DeepSeek和通义万相，添加代码示例和图解，所有步骤都精精有条，达到高效制作AI视频的目的。

一、项目概述

DeepSeek 用于产生效果迅速、文本达意的AI脚本；

通义万相 則是阶段性地将文本编成视频的元素组合器，提供动画、辅助绘图、语音合成等能力。

我们将通过一个实战案例来说明如何使用这两者合作：

举例：装修公司推广视频制作

二、脚本生成：利用DeepSeek

DeepSeek支持文本制作的多种类型，如相关广告、课程等脚本。我们以一段装修公司的推广脚本为例：

Prompt 示例：

请生成一段装修公司的广告视频脚本，展示我们的专业技术、服务效率和顾客反馈，整体风格积极、专业、带有画面感。展示时长控制在5分钟内。

输出：

• 分场景描述
• 对白文案
• 主题标题
• 产品/服务特色
• 实例描述

如果需要输出更精精的图文产出，可以提示DeepSeek输出“图文组合脚本”样式

三、视频制作：使用通义万相

尽管不懂录制和编辑，通义万相也能帮你一键制作视频。

操作步骤

1. 登陆 tongyi.aliyun.com
2. 选择 AI视频制作 > 文本创作
3. 处理DeepSeek产出脚本，拆分成场景和对白文字

4. 每个场景配置:

   • 画面类型：动画 / AI生成画面
   • 配音：选择合适声类 / 方言
   • 配乐：选择背景BGM

代码辅助：自动组装json

可以开发一段脚本将DeepSeek输出转为通义万相支持的JSON。

import json

scenes = [
    {
        "scene_title": "公司前台",
        "text": "欢迎来到我们装修公司...",
        "voice": "female_zh",  # 按需调整
        "bgm": "soft_background",
        "visual_type": "ai_generated"
    },
    # 更多场景
]

with open("video_script.json", "w", encoding="utf-8") as f:
    json.dump(scenes, f, ensure_ascii=False, indent=2)

图解：流程图

[脚本输入]
     ↓ DeepSeek
[自动分场景 & 对白]
     ↓
[通义万相组合]
     ↓
[选择画面、配音、配乐]
     ↓
[一键生成视频]

四、实战小技心

• 场景分割：简洁、每场景<20秒，便于一键生成
• 对白文本：实时对应场景，避免太粗略
• 配乐选择：精选合适的BGM，增强情感激发

结论

DeepSeek + 通义万相是极高效的AI视频生产解决方案，无论是新手还是专业影视供应，都能使用该模型快速达成。

如果配合脚本组装脚本、JSON模板、自定义声类设置，则可以打造更加专业化的AI动画/视频。

DeepSeek 30个喂饭指令

DeepSeek是一款强大的AI工具，可以帮助你完成各种任务。以下是30个实用的指令（Prompt），涵盖编程、学习、数据分析、写作等多个领域，让你更高效地使用DeepSeek。

1-10: 编程相关

1. 代码优化

指令：

请优化以下JavaScript代码，提高性能，并提供优化前后的对比：

function sum(arr) {
let total = 0;
for(let i = 0; i < arr.length; i++) {

  total += arr[i];

}
return total;
}

2. 代码解释

指令：

请解释以下Python代码的功能，并逐行解析：

def factorial(n):

return 1 if n == 0 else n * factorial(n - 1)

3. Bug修复

指令：

以下代码有错误，导致运行失败，请帮我找出错误并修复：

print("Hello World"

4. 代码转换

指令：

请将以下JavaScript代码转换为Python代码：

const add = (a, b) => a + b;

5. 代码注释

指令：

请为以下C++代码添加详细的注释，解释每一行的作用：

int main() {

int a = 10;
int b = 20;
cout << a + b;
return 0;

}

6. 正则表达式生成

指令：

请生成一个正则表达式，匹配格式为YYYY-MM-DD的日期。

7. SQL查询优化

指令：

请优化以下SQL查询，提高查询效率：

SELECT * FROM users WHERE age > 18 ORDER BY name;

8. API调用示例

指令：

请提供一个使用Python调用OpenAI API的示例代码。

9. Git命令使用

指令：

请告诉我如何撤销Git中最后一次提交。

10. Docker配置

指令：

请写一个Dockerfile，使其能够运行一个Flask应用。

11-20: 学习与生产力

11. 论文摘要生成

指令：

请总结以下论文的主要内容，并用通俗易懂的语言解释。

12. 语言翻译

指令：

请将以下英文文章翻译成流畅的中文。

13. 复杂概念通俗化

指令：

请用简单易懂的方式解释“量子计算”的概念。

14. 速记笔记生成

指令：

请将以下会议记录整理为结构化的会议摘要。

15. Excel公式解释

指令：

请解释Excel公式`=IF(A1>10, "高", "低")`的作用。

16. 思维导图生成

指令：

请为以下内容创建一个思维导图：

17. 速读技巧教学

指令：

请告诉我如何提高阅读速度，同时保持理解力。

18. 计划表生成

指令：

请帮我制定一个为期1个月的Python学习计划。

19. Markdown格式转换

指令：

请将以下文本转换为Markdown格式。

20. 数据可视化

指令：

请提供一个使用Matplotlib绘制折线图的Python示例代码。

21-30: 其他创意玩法

21. 文案生成

指令：

请帮我写一个吸引人的广告文案，推广一款智能手表。

22. 诗歌创作

指令：

请根据以下主题创作一首现代诗：‘春天的第一缕阳光’。

23. 故事接龙

指令：

请继续以下故事，并保持风格一致：
“夜晚的城市灯火通明，突然……”

24. 人物对话生成

指令：

请模拟一场科幻电影中的AI与人类对话。

25. 提醒事项

指令：

请帮我写一份每日任务提醒列表。

26. 名言解析

指令：

请解析这句名言的深层含义：“知行合一”。

27. 角色扮演

指令：

请扮演一位资深程序员，回答我的技术问题。

28. 生成谜语

指令：

请帮我创造一个关于科技的谜语。

29. AI作曲

指令：

请为一首欢快的儿童歌曲写一段歌词。

30. 未来预测

指令：

请预测2030年人工智能的发展趋势。

结语

掌握这些喂饭指令，你可以更高效地使用DeepSeek来完成各种任务！希望这份指南能帮助你更好地探索AI的无限可能。

1. DeepSeek简介

DeepSeek是一款强大的AI模型，基于深度学习技术，能够处理自然语言理解、代码生成、数据分析等任务。它的核心技术包括大规模预训练、Transformer架构、强化学习以及高效的推理优化。

2. DeepSeek的核心技术

2.1 Transformer架构

DeepSeek采用了Transformer架构，这是目前最先进的神经网络结构之一，特别适用于自然语言处理（NLP）任务。

Transformer基本结构

Transformer由多个 自注意力（Self-Attention） 和 前馈神经网络（Feed-Forward Network, FFN） 组成。

关键组件：

• 自注意力机制（Self-Attention）：允许模型关注句子中的不同部分，提高理解能力。
• 多头注意力（Multi-Head Attention）：通过多个注意力头获取不同的上下文信息。
• 前馈网络（FFN）：提供非线性变换，增强表达能力。

示例：自注意力机制的计算

import torch
import torch.nn.functional as F

# 模拟输入向量
x = torch.rand(3, 4)  # 3个单词，每个单词4维

# 计算注意力权重
q = x @ torch.rand(4, 4)  # 查询矩阵
k = x @ torch.rand(4, 4)  # 键矩阵
v = x @ torch.rand(4, 4)  # 值矩阵

attention_scores = (q @ k.T) / (4 ** 0.5)  # 归一化
attention_weights = F.softmax(attention_scores, dim=-1)
output = attention_weights @ v
print(output)  # 输出最终的注意力表示

2.2 预训练与微调

DeepSeek依赖于大规模数据预训练，并可通过微调适应特定任务。

• 预训练：在海量文本上训练，使模型具备丰富的语言知识。
• 微调（Fine-tuning）：在小规模专业数据集上训练，以适应特定任务。

示例：微调Transformer模型

from transformers import AutoModelForCausalLM, AutoTokenizer

# 加载预训练模型
model_name = "deepseek-model"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# 进行微调（简化示例）
input_text = "DeepSeek的核心技术是什么？"
inputs = tokenizer(input_text, return_tensors="pt")
output = model.generate(**inputs)
print(tokenizer.decode(output[0]))

2.3 强化学习与人类反馈（RLHF）

DeepSeek采用 强化学习+人类反馈（RLHF）优化回答质量。

• 步骤1：初始训练：模型先进行普通NLP任务训练。
• 步骤2：人类反馈：人工标注哪些回答更好。
• 步骤3：强化学习优化：使用PPO等算法微调模型，使其更符合人类偏好。

示例：强化学习的基本原理

def reward_function(response):
    """模拟评分函数，给出答案质量评分"""
    return len(response)  # 示例：答案越长，分数越高

responses = ["短答案", "这个答案较长一些", "这是一个非常详细的回答"]
scores = [reward_function(r) for r in responses]
print(scores)  # 输出评分

3. DeepSeek的应用场景

• 代码生成：辅助开发者编写和优化代码。
• 自然语言处理：文本摘要、翻译、对话系统。
• 数据分析：从非结构化数据中提取有价值的信息。

4. 结语

DeepSeek背后的核心技术融合了 Transformer架构、预训练、微调、强化学习，使其在多种AI应用中表现卓越。了解这些技术原理，有助于我们更高效地使用DeepSeek，并探索其更深层次的能力。

1. 明确你的问题，提高Deepseek的理解能力

Deepseek的回答质量取决于你的提问方式。如果问题过于模糊，它可能会给出泛泛的答案。

示例：

不清晰的问题：

如何优化代码？

清晰的问题：

如何优化JavaScript中的for循环，以提高性能？

关键技巧：

• 指定问题的编程语言或领域。
• 详细描述你的需求，而不是只给一个关键字。
• 如果问题涉及代码，提供代码片段或上下文。

2. 善用代码块，提高可读性和执行性

Deepseek可以理解代码，并提供优化建议。使用Markdown代码块，让它能正确解析代码。

示例：

错误示范：

我的JS代码运行太慢，该怎么优化？
function sum(arr) {
   let total = 0;
   for(let i = 0; i < arr.length; i++) {
      total += arr[i];
   }
   return total;
}

正确示范：

我的JS代码运行太慢，该怎么优化？

function sum(arr) {
let total = 0;
for(let i = 0; i < arr.length; i++) {

  total += arr[i];

}
return total;
}

请问如何优化这个循环，提高执行效率？

3. 使用多轮对话，让Deepseek更精准

有时候，Deepseek的第一轮回答可能不够详细或准确。你可以继续提问，逐步引导它。

示例对话：

用户：如何在Vue3中使用Pinia？
Deepseek：Pinia是Vue3的状态管理库，你可以通过以下步骤使用它...
用户：能否给出一个完整的示例，包括state、getter和action？
Deepseek：当然，以下是完整的示例代码...

4. 结合图示，提升理解效果

当你向Deepseek请教复杂概念时，可以要求它提供示意图。例如，询问“Vue的响应式系统是如何工作的？”时，可以要求它用图解说明。

示例：

用户：请用图解说明Vue3的响应式系统。
Deepseek：（返回一张解释Vue3响应式原理的示意图）

5. 让Deepseek帮你调试和优化代码

如果你遇到代码错误，Deepseek可以帮助你找出问题所在，并给出优化建议。

示例：

const obj = { name: "Deepseek" };
Object.freeze(obj);
obj.name = "ChatGPT"; // 为什么这里修改无效？

用户：为什么这段代码修改无效？
Deepseek：因为Object.freeze()使对象变成不可变对象，无法更改属性。

进阶优化：

用户：那如何让它可变？
Deepseek：可以使用Proxy或深拷贝对象来实现...

结语

掌握这5个技巧，你可以更高效地使用Deepseek，快速获得准确的答案。希望这份指南能帮助你更顺畅地学习和解决问题！

本地部署 DeepSeek 完整教程

1. 引言

DeepSeek 是一款强大的大语言模型（LLM），适用于多种自然语言处理任务。如果你想在本地运行 DeepSeek，可以使用 Ollama 这款工具，它可以帮助你轻松下载和运行 DeepSeek 模型。

本教程将详细介绍如何在本地部署 DeepSeek，包括工具安装、模型下载、运行以及一些常见问题的解决方案。

2. 安装 Ollama

Ollama 是一个用于在本地运行大模型的工具，支持 Windows、macOS 和 Linux。首先，我们需要安装 Ollama。

2.1 下载 Ollama

请访问 Ollama 官方网站并根据你的操作系统选择相应的安装包。

2.2 安装 Ollama

下载完成后，按照安装引导完成 Ollama 的安装。

2.3 验证安装

安装完成后，打开终端或命令提示符，输入以下命令检查 Ollama 是否正确安装：

ollama --version

如果终端正确显示版本号，说明 Ollama 已成功安装。

3. 下载并运行 DeepSeek 模型

Ollama 提供了多个 DeepSeek 模型版本，你可以根据自己的硬件配置选择合适的版本。

3.1 可用模型版本

3.2 运行模型

首次运行模型时，Ollama 会自动下载所需的文件。

• 运行 1.5B 版本：

  ollama run deepseek-r1:1.5b

• 运行 7B 版本：

  ollama run deepseek-r1:7b

• 运行 8B 版本：

  ollama run deepseek-r1:8b

• 运行 14B 版本：

  ollama run deepseek-r1:14b

当下载完成后，你可以在终端中与 DeepSeek 进行交互。

3.3 运行 DeepSeek 并进行交互

运行模型后，你可以开始输入问题或命令，例如：

ollama run deepseek-r1:7b

然后在终端中输入：

What is DeepSeek?

模型将返回相应的回答。

如果你想进行代码生成，可以输入：

Write a Python function to calculate Fibonacci sequence.

DeepSeek 将返回类似如下的代码：

def fibonacci(n):
    if n <= 0:
        return []
    elif n == 1:
        return [0]
    elif n == 2:
        return [0, 1]
    
    sequence = [0, 1]
    for i in range(2, n):
        sequence.append(sequence[i-1] + sequence[i-2])
    return sequence

print(fibonacci(10))

4. 不同操作系统的部署方法

4.1 Windows 部署

1. 下载并安装 Ollama。
2. 打开 PowerShell 或命令提示符。

3. 运行 DeepSeek 模型，例如：

   ollama run deepseek-r1:7b

4.2 macOS 部署

1. 通过 Homebrew 安装 Ollama：

   brew install ollama

2. 运行 DeepSeek 模型：

   ollama run deepseek-r1:7b

4.3 Linux 部署

1. 下载 Ollama 并解压缩。

2. 运行以下命令安装：

   sudo mv ollama /usr/local/bin/

3. 运行 DeepSeek：

   ollama run deepseek-r1:7b

5. 解决常见问题

5.1 更改模型存储路径

默认情况下，Ollama 会将模型存储在 C 盘。如果你希望更改存储位置，可以使用环境变量 OLLAMA_MODELS 指定新的存储路径。例如：

export OLLAMA_MODELS=/your/new/path

然后重新运行 Ollama。

5.2 AMD 显卡支持

如果你使用的是 AMD 显卡，需要安装 ROCm，并使用 ollama 运行时指定 --backend rocm 选项。例如：

ollama run deepseek-r1:7b --backend rocm

5.3 运行时遇到内存不足问题

如果你在运行 DeepSeek 时遇到内存不足的问题，可以尝试以下优化方法：

• 使用较小版本的 DeepSeek，如 deepseek-r1:1.5b
• 增加虚拟内存（Swap）
• 关闭其他占用 GPU 资源的进程
• 在 ollama run 命令后添加 --num-gpu-layers 10 来减少 GPU 占用

ollama run deepseek-r1:7b --num-gpu-layers 10

6. 结论

通过本教程，你已经学会了如何在本地安装、下载并运行 DeepSeek 模型。你可以根据自己的需求选择合适的模型，并使用可视化 WebUI 进行交互。同时，我们还介绍了一些优化方案，希望本教程对你有所帮助！